تلعب الكشف عن الشذوذ (AD) دورًا حاسمًا في العديد من المجالات التطبيقية الحساسة للسلامة. يُعد التحدي المتمثل في تعديل كاشف الشذوذ ليناسب التغيرات في توزيع البيانات الطبيعية، خصوصًا عندما لا تكون هناك بيانات تدريب متاحة للـ"الطبيعي الجديد"، سببًا رئيسيًا في تطوير تقنيات الكشف عن الشذوذ الصفرية (zero-shot AD). في هذه الورقة، نقترح طريقة بسيطة وفعّالة تُسمى التمثيلات المركزية التكيفية (ACR) للكشف عن الشذوذ الصفرية على مستوى الحزم (batch-level AD). تعتمد طريقةنا على تدريب كاشفات الشذوذ العميقة الجاهزة (مثل deep SVDD) لتتكيف مع مجموعة من توزيعات البيانات التدريبية المرتبطة ببعضها البعض، وذلك باستخدام التطبيع حسب الحزمة (batch normalization)، مما يمكّن من التعميم التلقائي الصفرية لمهام الكشف عن الشذوذ غير المرئية. هذه الوصفة البسيطة، التي تجمع بين التطبيع حسب الحزمة والتدريب التلقيّ (meta-training)، تُعدّ أداة فعّالة ومتعددة الاستخدامات للغاية. تضمن النتائج النظرية التي نقدمها التعميم الصفرية لمهام الكشف عن الشذوذ غير المرئية؛ كما تُظهر النتائج التجريبية أول نتائج كشف عن الشذوذ الصفرية على البيانات الجدولية (tabular data)، وتتفوّق على الطرق الحالية في الكشف عن الشذوذ والتقسيم (segmentation) على بيانات صور من مجالات متخصصة. يمكن الاطلاع على الشفرة المصدرية من خلال الرابط التالي: https://github.com/aodongli/zero-shot-ad-via-batch-norm